一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法技术

本发明专利技术提出一种新颖的特征增强残差网络，用于混合类型晶圆图缺陷识别分类。该方法包括，获取晶圆图缺陷数据集，并将晶圆图数据集设置为统一尺寸；然后将晶圆图数据集进行滤波，去除晶圆图上的噪声缺陷点；将晶圆图数据集划分为训练集和测试集；采用提出的特征增强残差网络作为主干网络构建识别模型，并用训练集对模型进行训练，使用测试集验证模型性能。经实验结果表明，本方法能够有效地识别晶圆图缺陷，提高了混合类型晶圆图缺陷识别的准确率和鲁棒性。和鲁棒性。和鲁棒性。

【技术实现步骤摘要】
一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法


[0001]本专利技术涉及机器视觉和深度学习领域，具体而言是一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法。

技术介绍

[0002]在半导体芯片制造过程中，晶圆测试是至关重要的一环。通过准确识别晶圆缺陷类型，可以精确定位制造过程中的问题，从而提高芯片生产的良率。近年来，不少研究人员使用深度学习的方法研究晶圆图缺陷识别，但是大多数用于分类晶圆图缺陷的深度学习模型都比较复杂，且随着模型的加深会导致梯度弥散和过拟合问题的出现，导致准确率降低。同时，复杂的晶圆图的缺陷图案大小、分布位置、形状等存在较大的差异，增大了晶圆图缺陷识别的难度。构建晶圆图缺陷识别模型如何提取到更多重要的晶圆图缺陷特征，并减小模型的参数量和计算量，是解决上述问题的关键。

技术实现思路

[0003]本专利技术提出一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法，能够减小模型的计算量和参数量，提高混合类型晶圆图缺陷识别的准确率。
[0004]本专利技术是这样实现的，一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法，该方法包括以下步骤： S1： 获取晶圆图缺陷数据集，并使用双线性插值方法将晶圆图缺陷数据集尺寸设置为统一大小；S2： 使用均值滤波方法对晶圆图缺陷数据集进行滤波，去除晶圆图上的噪声缺陷点；S3： 将晶圆图缺陷数据集划分为训练集和测试集；S4： 采用特征增强残差网络作为作干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型；S5： 使用训练集对模型进行训练，使用测试集评估模型的性能。
[0005]进一步地，所述步骤S4基于Pytorch 1.7.1框架，使用Python设计特征增强残差网络。
[0006]进一步地，所述步骤S4采用特征增强残差网络作为主干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型包括：使用Python设计搭建特征增强残差网络深度学习网络模型，并进行训练和测试，所述特征增强残差网络深度学习网络模型包括常规卷积层、池化层、特征增强残差模块，以及多个全连接层，其运算步骤依次为：S21： 使用常规卷积接收输入的晶圆图并进行特征提取，包含两个卷积层和一个池化层，卷积层1采用11
×
11的卷积核和ReLU激活函数对输入训练集图像进行卷积和线性激活，然后经池化层池化后输出64
×
35
×
35的特征矩阵X1，X1输入到卷积层2，卷积层2采用
3
×
3的卷积核和ReLU激活函数对X1进行卷积和线性激活，输出128
×
35
×
35的特征矩阵X2；S22： 特征矩阵X2输入到特征增强残差模块进行特征提取，输出128
×
35
×
35的特征矩阵X3；S23： 使用常规卷积接收输入的特征矩阵X3并进行特征提取，包含两个卷积层和一个池化层，卷积层3使用3
×
3的卷积核、ReLU激活函数和批归一化处理对输入特征矩阵X3进行卷积、线性激活和归一化处理，输出512
×
18
×
18的特征矩阵X4，X4输入到卷积层4，卷积层4采用3
×
3的卷积核、ReLU激活函数和批归一化处理对X4进行卷积、线性激活和归一化处理，然后经池化层池化后输出1024
×1×
1的特征矩阵X5；S24： 特征矩阵X5输入到全连接层，全连接层神经元个数分别为1024、512、512、38，然后经过Softmax函数得到预测输出。
[0007]进一步地，所述步骤S22特征矩阵X2输入到特征增强残差模块进行特征提取，其运算步骤依次为：S31： 特征矩阵X2分别经过两个通道增强Ghost卷积块和两个可变形卷积残差块进行特征提取，通道增强Ghost卷积块的结构为Ghost卷积、ReLU激活函数和批归一化层，可变形卷积残差块的结构分别为1
×
1常规卷积、3
×
3可变形卷积、1
×
1常规卷积，特征矩阵X2经过第一个和第二个通道增强Ghost卷积块分别得到输出特征矩阵U1、 U2，特征矩阵X2经过第一个和第二个可变形卷积残差块分别得到输出特征矩阵U3、 U4；S32： 特征矩阵U1和U2进行逐元素相加，得到融合的特征矩阵U12；S33： 特征矩阵U3和U4进行逐元素相加，得到融合的特征矩阵U34；S34： 特征矩阵U2和U3进行逐元素相加，得到融合的特征矩阵U23；S35： 特征矩阵U23经过全局平均池化、全连接层、Sigmoid函数得到特征矩阵U23`;S36： 特征矩阵U12与特征矩阵U23`进行相乘，得到特征增强的矩阵U12`；S37： 特征矩阵U34与特征矩阵U23`进行相乘，得到特征增强的矩阵U34`；S38： 特征矩阵U12`与特征矩阵U34`进行逐元素相加，并经过一个卷积核大小为1
×
1的卷积，得到步骤S22中的输出X3。
[0008]进一步地，所述步骤S31通道增强Ghost卷积块中Ghost卷积，结构为在Ghost卷积的Identity支路上增加一层最大池化层、一层平均池化层、一层常规卷积层和sigmoid函数，用于进行通道特征增强。
[0009]进一步地，所述步骤S31可变形卷积残差块，在标准残差块的基础上，在第一层卷积层之前和第二层卷积层之后使用跳跃连接引入空间特征增强模块，且第二层卷积层为可变形卷积层。
[0010]本专利技术与现有技术相比，有益效果在于：本专利技术将混合类型晶圆图缺陷识别作为分类问题，基于提出的特征增强残差网络构建深度学习网络模型。所提出的特征增强残差网络使用通道增强Ghost卷积块和可变形卷积残差块分别对晶圆图缺陷进行特征提取，可变形卷积相比常规卷积能够自适应的提取晶圆图故障缺陷，可以有效的解决晶圆图缺陷图案大小、分布位置、形状等存在较大的差异问题。同时，使用残差连接的结构设计，减小了模型梯度弥散和过拟合的风险。实验表明，本专利技术中提出的特征增强残差网络能够有效的减小模型的参数量和计算量，同时提高了混合
类型晶圆图缺陷识别的准确率。
附图说明
[0011]图1为本专利技术所述的基于特征增强残差网络的混合类型晶圆图缺陷识别方法的网络结构；图2为本专利技术所述的通道增强Ghost卷积；图3为本专利技术所述的可变形卷积残差块；图4为本专利技术所述网络模型训练过程中损失函数变化曲线图；图5为本专利技术所述网络模型的准确率曲线图。
具体实施方式
[0012]为了使本专利技术的目的、技术方案及优点更加清晰明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0013]参见图1所示，一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法，该方法包括以下步骤： S1： 获取晶圆图缺陷数据集，并使用双线性插值方法将晶圆图缺陷数据集尺寸设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法，其特征在于，该方法包括以下步骤：S1： 获取晶圆图缺陷数据集，并使用双线性插值方法将晶圆图缺陷数据集尺寸设置为统一大小；S2： 使用均值滤波方法对晶圆图缺陷数据集进行滤波，去除晶圆图上的噪声缺陷点；S3： 将晶圆图缺陷数据集划分为训练集和测试集；S4： 采用特征增强残差网络作为作干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型；S5： 使用训练集对模型进行训练，使用测试集评估模型的性能。2.按照权利要求书1所述的方法，其特征在于，所述步骤S4基于Pytorch 1.7.1框架，使用Python设计特征增强残差网络。3.按照权利要求书1所述的方法，其特征在于，所述步骤S4采用特征增强残差网络作为主干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型包括：使用Python设计搭建特征增强残差网络深度学习网络模型，并进行训练和测试，所述特征增强残差网络深度学习网络模型包括常规卷积层、池化层、特征增强残差模块，以及多个全连接层，其运算步骤依次为：S21： 使用常规卷积接收输入的晶圆图并进行特征提取，包含两个卷积层和一个池化层，卷积层1采用11
×
11的卷积核和ReLU激活函数对输入训练集图像进行卷积和线性激活，然后经池化层池化后输出64
×
35
×
35的特征矩阵X1，X1输入到卷积层2，卷积层2采用3
×
3的卷积核和ReLU激活函数对X1进行卷积和线性激活，输出128
×
35
×
35的特征矩阵X2；S22： 特征矩阵X2输入到特征增强残差模块进行特征提取，输出128
×
35
×
35的特征矩阵X3；S23： 使用常规卷积接收输入的特征矩阵X3并进行特征提取，包含两个卷积层和一个池化层，卷积层3使用3
×
3的卷积核、ReLU激活函数和批归一化处理对输入特征矩阵X3进行卷积、线性激活和归一化处理，输出512
×
18
×
18的特征矩阵X4，X4输入到卷积层4，卷积层4采用3
×...

【专利技术属性】
技术研发人员：陈寿宏，黄振涛，侯杏娜，汪韬，马峻，郭玲，陆颖，覃冠翔，
申请(专利权)人：南宁桂电电子科技研究院有限公司，
类型：发明
国别省市：